고품질 노드 임베딩을 학습하는 것은 사회적 네트워크 및 추천 시스템과 같은 그래프 데이터에서 작동하는 기계 학습 모델의 핵심 구성 요소입니다. 그러나 기존의 그래프 임베딩 기술은 공정성 제약을 처리할 수 없습니다. 예를 들어, 학습한 표현이 나이 또는 성별과 같은 특정 속성과 상관되지 않도록 보장합니다. 여기에서 우리는 그래프 임베딩에 대한 공정성 제약을 강제하기 위한 적대적 프레임워크를 소개합니다. 우리의 접근법은 구성적이며, 이는 추론 동안 다양한 공정성 제약의 조합을 유연하게 수용할 수 있음을 의미합니다. 예를 들어, 사회적 추천의 맥락에서, 우리의 프레임워크는 한 사용자가 자신의 추천이 나이와 성별 모두에 대해 불변하도록 요청할 수 있도록 하며, 다른 사용자가 자신의 나이에 대해서만 불변성을 요청할 수도 있습니다. 표준 지식 그래프 및 추천 시스템 벤치마크에 대한 실험은 우리가 제안하는 프레임워크의 유용성을 강조합니다.
Bose et al. (Sat,)은 이 질문을 연구했습니다.